Data&AI Seminar : Ozgun Pinarer

Titre : Analyse et Prévision de Données Météorologiques Distribuées Utilisant l’Apprentissage Fédéré et TinyML

Résumé :

Ce séminaire présentera une étude approfondie sur l’application de l’apprentissage fédéré aux systèmes embarqués à ressources limitées dans les stations météorologiques. L’objectif principal est d’évaluer la performance des modèles d’apprentissage local et fédéré en tenant compte de critères tels que la précision, la consommation d’énergie et l’utilisation de la mémoire. Notre approche intègre des techniques d’apprentissage automatique et profond pour traiter des données météorologiques collectées à partir de stations en Corse. Ce séminaire abordera la méthodologie adoptée, les défis liés à l’utilisation de l’apprentissage fédéré sur des systèmes embarqués et les perspectives d’amélioration dans le domaine de l’IoT pour l’analyse météorologique.

Biographie :

Ozgun Pinarer est maître de conférences et directeur adjoint du département de génie informatique de l’Université Galatasaray à Istanbul, en Turquie. Il a obtenu son diplôme en génie informatique à l’Université Galatasaray en 2010, puis a poursuivi ses études en obtenant une maîtrise en génie informatique à la même institution en 2012. En 2017, il a obtenu son doctorat à l’INSA Lyon, au laboratoire LIRIS. Ses recherches portent sur l’Internet des Objets (IoT), le calcul embarqué optimisé pour le matériel, la gestion des flux de données des capteurs dans les environnements intelligents, l’optimisation énergétique des systèmes IoT, la maintenance prédictive et la gestion des actifs, ainsi que sur le Tiny ML et l’apprentissage fédéré pour les applications IoT. Il a mené plusieurs projets académiques et industriels dans ces domaines, notamment sur la gestion des données IoT, la communication en cas de catastrophe via LoRa, ainsi que sur l’apprentissage automatique et fédéré appliqué aux systèmes embarqués à faible consommation énergétique. Il organise également, depuis 2018, une session spéciale sur les données de santé lors de la conférence IEEE Big Data. Ses travaux récents portent sur l’application de modèles d’apprentissage fédéré aux capteurs météorologiques embarqués, avec pour objectif d’améliorer la précision des prévisions tout en optimisant les ressources des dispositifs à faible consommation.